近日,，國際著名雜志International Journal of Data Mining and Bioinformatics 在線刊登了西安電子科技大學(xué)研究人員的最新成果“An algorithm for network motif discovery in biological networks,，”,，研究人員在文中指出，他們開發(fā)了一種新的算法,，可以解開生物網(wǎng)絡(luò)中各組分之間的相互作用方式,。
中國的研究人員研發(fā)出一種新的方法來解開復(fù)雜生物網(wǎng)絡(luò)，如各種蛋白質(zhì)在人體細(xì)胞中相互作用的方式,。在各種疾?。ㄈ绨柎暮ＤY和癌癥）中，生物學(xué)家和生物醫(yī)學(xué)研究人員使用該團(tuán)隊(duì)的計(jì)算法則可以揭開細(xì)胞如何工作以及這些生物網(wǎng)絡(luò)故障何在的新線索,。
我們發(fā)現(xiàn)生物網(wǎng)絡(luò)無處不在,，在技術(shù)中、自然界中以及在我們的機(jī)體中,。它們同樣在無數(shù)的研究領(lǐng)域存在,，從電子電路到社會網(wǎng)絡(luò)、從運(yùn)輸系統(tǒng)到生物系統(tǒng),。研究者們已經(jīng)證明：盡管表面上看來網(wǎng)絡(luò)在性質(zhì)上可能非常不同,，但它們擁有許多共同的屬性,，如“小世界”和“無尺度”等特性,。這意味著理解一種網(wǎng)絡(luò)后可以幫助我們了解另一種。
然而,，如果我們想要更深入地找出生物網(wǎng)絡(luò)的普遍特性,，我們必須了解其中的一個(gè)特定的基本結(jié)構(gòu)元素——所謂的生物網(wǎng)絡(luò)“模體”。模體是網(wǎng)絡(luò)節(jié)點(diǎn)之間互連的模式,，不管是晶體管,、神經(jīng)元、“臉譜網(wǎng)”用戶,、分子生物學(xué)還是蛋白質(zhì),。比起在隨機(jī)網(wǎng)絡(luò)中，利用實(shí)際網(wǎng)絡(luò)中的大量模體可以分辨即使是最復(fù)雜的網(wǎng)絡(luò)復(fù)合體,。隨著高通量分析技術(shù)的出現(xiàn),，分子生物學(xué)家開始揭開蛋白質(zhì)系統(tǒng)的網(wǎng)絡(luò)模體，在代謝系統(tǒng),、大腦,、病原體傳播和許多其他讓人感興趣的領(lǐng)域同樣的解密工作也開始了。
計(jì)算機(jī)專家覃桂敏和高琳,，已設(shè)計(jì)出一個(gè)高效的計(jì)算法則來檢測蛋白質(zhì)網(wǎng)絡(luò)的模體,。針對某個(gè)待檢測網(wǎng)絡(luò)，該算法首先搜索在隨機(jī)網(wǎng)絡(luò)中不常見的特定非樹型亞結(jié)構(gòu),。然后改算法將這些亞結(jié)構(gòu)分類,、按照層次進(jìn)行歸群,，揭示網(wǎng)絡(luò)中存在的重復(fù)性模體。該小組已經(jīng)應(yīng)用此算法研究大腸桿菌和釀酒酵母之間的蛋白質(zhì)相互作用（PPI）網(wǎng)絡(luò),。
該研究小組聲明：“我們的實(shí)驗(yàn)結(jié)果表明該算法可以有效地檢測模體,，并且與當(dāng)前的生物學(xué)知識相吻合”。然而更重要的是,，這種算法還發(fā)現(xiàn)了幾個(gè)以前未識別出來的新模體,。該研究組也補(bǔ)充說，“根據(jù)給定大小,，我們的算法可以檢測幾個(gè)共同模體,，這可能有助于生物學(xué)家進(jìn)一步研究細(xì)胞過程”。（生物谷Bioon.com）
doi:10.1504/IJDMB.2012.045533
PMC:
PMID:
An algorithm for network motif discovery in biological networks
Guimin Qin; Lin Gao
Network motif discovery is a key problem in analysis of biological networks. In this paper, we present an efficient algorithm for detecting consensus motifs. First, we extend subgraph searching algorithm Enumerate Subgraphs (ESU) to efficiently search non-treelike subgraphs of which the probability of occurrence in random networks is small. Then, we classify isomorphic subgraphs into different groups. Finally, we use hierarchical clustering method to cluster subgraphs, and derive a consensus motif from the clusters. Our algorithm is applied to the Protein-Protein Interaction (PPI) networks and the transcriptional regulatory networks of E. coli and S. cerevisiae. The experiment results show that the algorithm can efficiently discover motifs, which are consistent with current biology knowledge. And, it can also detect several consensus motifs with a given size, which may help biologists go further into cellular process.
